Current AI는 개방형 공공 AI 기술 개발에 4억 달러 넘는 자금 지원이 약정됐다고 밝혔다. 오늘 뉴스레터에는 AI 학습 데이터에 대한 창작자의 통제, AI 음악 표시안, 축구 상황을 판단하는 비전언어모델, 동적 3D 기억, 계획을 보여 주는 GUI 에이전트, 코딩 벤치마크, 접근성 학습 도구, 새 2027년 에듀테크 행사도 담았다.

밤사이 달라진 것

  • TechCrunch는 7월 19일 Current AI의 개방형 모델, 공동체가 관리하는 데이터, 인도 22개 언어 오프라인 지원 사업을 보도했다.
  • 크리스토퍼 놀란 감독은 인터뷰에서 생성형 AI를 향한 대중의 의심이 건전하다고 말했다. 놀란은 최근 계약에 생성형 AI 보호 조항을 담은 미국감독조합의 회장이다.

공공 AI 기술

Current AI, 4억 달러 넘는 약정 자금 공개

Current AI는 정부, 재단, 기술기업, 지역단체가 함께하는 비영리 협력체다. 이 단체는 현재 4억 달러 넘는 자금이 약정됐으며, 5년 동안 25억 달러를 모아 누구나 살펴보고 쓸 수 있으며 외부 감사를 받을 수 있는 공공 AI 기술을 만들겠다고 밝혔다.

TechCrunch에 따르면 Current AI와 인도 정부의 언어 사업 Bhashini는 인터넷 없이 인도 22개 언어로 작동하는 소형 기기 Suno Sutra를 개발했다. Current AI는 아프리카 언어 데이터, 아랍 문화 기록, 아마존 원주민 공동체의 오프라인 도구, AI 감사 기술을 만드는 4개 단체에도 320만 달러를 배정했다. 10개 기관이 함께 만든 오픈소스 챗봇 Alpha Chat은 7주 만에 완성됐다고 보도됐다.

현재 공개된 것은 하나의 완성된 공공 플랫폼이 아니라 서로 다른 초기 사업들이다. Current AI는 지역 데이터의 결정권을 해당 공동체에 두겠다고 밝혔다. TechCrunch 보도에는 각 단체가 동의를 어떻게 받고 데이터 소유권을 정하는지는 구체적으로 나오지 않았다.

창작물, 동의, 공개 표시

크리스토퍼 놀란, 생성형 AI를 향한 의심은 건전하다고 말해

7월 19일 공개된 인터뷰에서 놀란은 AI를 안에 무엇이 들었는지 보이는 트로이 목마에 비유했다. 기술이 유용할 수 있어도 위험을 의식해야 한다는 뜻이다. 그는 젊은 이용자들이 합성 영상을 빠르게 알아보고 거부한다고 말했으며, 구체적인 기술안이나 규제안은 내놓지 않았다.

놀란은 최근 계약에 생성형 AI 보호 조항을 추가한 미국감독조합의 회장이다. 이번 발언은 새 조합 정책을 발표한 것이 아니라 대중의 감시와 창작자의 기여를 다뤘다.

Patreon, AI 학습 크롤러 접근을 수천 건에서 0건으로 줄이다

Patreon은 AI 학습 크롤러에 robots.txt로 접근 금지를 요청하는 데서 그치지 않고 Cloudflare의 AI Crawl Control로 직접 차단하기 시작했다. 회사는 시험 기간에 개별 학습 크롤러의 주간 접근 시도가 수천 건에서 0건으로 줄었다고 밝혔다.

창작자 페이지로 이용자를 보내는 검색·색인 서비스는 계속 허용한다. Patreon은 검색 색인과 모델 학습 접근을 다르게 취급하며, Cloudflare는 이 구분을 크롤러 단계에서 집행한다.

음악단체들, ‘AI 생성’과 ‘AI 보조’ 표시를 나누다

IFPI, RIAA, A2IM, WIN, IMPALA, 미국 레코딩 아카데미, SAG-AFTRA, Human Artistry Campaign은 음원 단위로 붙이는 자율 표시 두 가지를 제안했다. 사람이 거의 개입하지 않은 ‘AI 생성’과 사람의 창작을 생성형 AI가 도운 ‘AI 보조’를 구분해 디지털 음악 서비스와 협력사가 쓰도록 하는 안이다.

현재 적용 대상은 녹음된 음원이다. 가사, 작곡, 뮤직비디오, 표지 이미지는 포함하지 않는다. 음원이 사운드트랙이나 게임 라이선스, 상호작용형 리믹스로 옮겨갈 때 표시를 어떻게 유지할지도 정해지지 않았다.

게임 판단과 동적 3D 장면

SportD, 모델과 프로 선수의 축구 판단을 비교하다

SportD에는 2022 FIFA 월드컵에서 선수가 공을 가진 상황에 내린 판단 478건이 담겼다. 비전언어모델은 직전 몇 초를 보고 슛 또는 특정 동료에게 보내는 패스를 골라야 한다. 이어서 점유 가치 모델이 각 행동이 득점 확률을 얼마나 높이는지 계산한다.

시험한 비전언어모델 3개 가운데 최고 성능 모델은 31.4%의 상황에서 가장 가치 높은 행동을 골랐다. 실제 프로 선수는 38.9%를 기록했다. 모델들은 슛과 전진 패스를 덜 고르고, 변동성과 보상이 낮은 행동을 선호했다. 실제 선수의 선택이 최선이 아니어도 이를 우연보다 자주 따라 했다.

이 벤치마크는 한 번의 판단만 평가하며, 캐릭터 연속 조작이나 더 긴 전술 전개는 시험하지 않는다. 점유 가치 모델은 선수가 실제로 한 행동과 득점 확률을 가장 많이 높인 다른 선택지를 구분한다.

신경망 기억으로 가려진 동적 장면을 다른 시점에서 복원하다

Online Neural Space Time Memory는 여러 카메라의 실시간 영상을 받아 새로운 시점의 화면을 만든다. 사람이나 물체가 잠시 가려져도 이전 모습을 기억한다. 학습된 기억은 일정한 간격으로 갱신하고 매 프레임 불러오며, 카메라 사이 움직임은 서로 다른 시점의 정보를 함께 살피는 방식으로 반영한다.

연구진은 사람이 움직이는 장면을 실시간으로 처리하고 수 분 길이의 내용을 기억했다고 보고했다. 평가 대상은 새 시점의 영상이며, 편집 가능한 3D 형상이나 충돌 정보가 포함된 에셋, 지속되는 게임 공간은 만들지 않는다.

작업 과정을 보여 주는 에이전트

Plover, GUI 에이전트 계획을 사용자가 고치게 하다

Plover는 GUI 자동화를 계획 담당과 실행 담당으로 나눈다. 실행 중인 계획은 사용자가 계속 볼 수 있는 문서로 남는다. 사용자는 이전 작업을 버리지 않고 특정 단계만 고치거나, 자연어 지침을 더하거나, 스크린샷을 근거로 수정할 수 있다.

연구진은 참가자 6명의 의견을 설계에 반영했다. 평가는 광범위한 자동 성공률보다 벤치마크 실패 사례 복구와 작업 과정 분석에 초점을 맞췄다. 사용자는 앞서 끝낸 작업을 유지하면서 실패한 단계만 고칠 수 있었다. 연구는 전체 제작 과정을 처음부터 끝까지 수행하는 성공률을 비교하지 않았다.

코딩과 제작 시스템

실제 서버 기록, 생성 GPU 커널의 성능 한계를 드러내다

Atrex-Bench는 실제 AI 추론 서버 기록에서 연산자 30개와 입력 형태 440개를 뽑았다. 모든 문제에 같은 점수를 주지 않고 실제 GPU 시간을 얼마나 차지했는지 반영한다. 성능은 하드웨어가 이론상 낼 수 있는 상한과 비교한다.

코딩 에이전트 6개를 시험한 결과, 별도 최적화를 하지 않은 최고 모델도 실제 연산 과제에서 하드웨어 이론상 최대치의 약 10%에 그쳤다. PyTorch 대체 코드를 부르는 경우가 성공으로 잡혀 겉보기 정답률이 부풀려지기도 했다. 함께 공개한 최적화 에이전트는 프로파일링과 수정을 되풀이한다. 제한된 사례 연구에서는 대체 코드를 실제 커널로 바꿔 사람이 다듬은 기준 성능과 같거나 더 빠른 결과를 냈다.

결제 스킬이 코딩 에이전트 점수를 평균 10.31%포인트 높이다

Alipay-PIBench는 결제 상품별 프로젝트 9개와 과제 18개로 결제 연동 능력을 평가한다. 기본 기능 완성과 위험을 고려한 보강을 나눠 정적 검사, 단위·통합·전체 과정 시험을 진행한다.

코딩 에이전트 모델 6개에 구조화된 결제 연동 스킬을 제공하자 평균 평가 통과율이 10.31%포인트 올랐다. 스킬을 쓴 점수는 68.58~91.37%였다. 과제는 결제 과정에서 클라이언트, 서버, 거래 기록, 서비스 상태가 일치하는지를 확인한다.

학습과 접근성

SYNAPSE, 세 가지 AI 모델로 보안 코딩을 가르치다

SYNAPSE는 Java, 사이버보안용 Python, 안전한 소프트웨어 개발을 가르치는 공개 튜터다. Claude, GPT-4o, Gemini를 Model Context Protocol로 연결하고 곧바로 답을 주는 대신 세 단계 소크라테스식 힌트를 제공한다.

SYNAPSE는 접근성 기능 18가지를 제공한다. 학습자는 OWASP Top 10 가운데 6개 범주의 취약점을 심어 둔 웹 애플리케이션에서 문제를 찾고 이해한 뒤 고친다. 19명이 참여한 초기 시험에서 시스템 사용성 척도는 76.4점, 몰입도는 5점 만점에 4.2점이었다. 이 시험은 전반적인 학습 효과를 입증하도록 설계되지 않았다.

AI 사용량이 많을수록 저자 기여도 추정은 부정확했다

셀리나 트뢰이에와 드니 랄란은 AI와 함께 쓴 글에서 사용자가 자신의 실제 기여분을 얼마나 정확히 아는지를 ‘저자 기여도 인식’으로 정의했다. CoAuthor 데이터 분석에서는 개인차가 컸다. AI에 많이 의존한 사용자는 자기 기여분을 덜 정확하게 판단했고, 적게 쓴 사용자는 더 정확했다.

이 결과만으로 AI 사용이 차이를 일으켰다고 단정할 수는 없다. 연구진은 자신의 기여도를 정확히 파악하는 능력을 글의 품질과 별도 결과로 보고, 이를 측정하기 위해 AI와 주고받은 기록을 추적하는 방안을 제안했다.

시각장애인 공동 설계자가 촉각으로 대화형 답변을 확인하다

Graphy는 새로 고칠 수 있는 촉각 디스플레이와 대화형 AI를 결합해 차트를 탐색한다. 시각장애 또는 저시력 공동 설계자 3명이 8개월 동안 워크숍 4차례에 참여해 화면과 조작법을 다듬었다.

참가자들은 손으로 차트의 모양, 추세, 공간 관계를 파악했다. 촉각만으로 알기 어려운 계산과 분석은 에이전트에 물었고, 답을 받은 뒤 다시 촉각 차트로 확인했다. 대화형 답변은 차트를 직접 만져 보는 과정을 대신하지 않고 함께 쓰였다.

행사 일정표 신규 추가

Wonder News 2027년 일정표에 TCEA Convention & Exposition 2027을 추가했다. 에듀테크 행사는 1월 31일~2월 3일 미국 샌안토니오 헨리 B. 곤살레스 컨벤션센터에서 열린다. 기업 전시 부스 신청은 열려 있고 마감일은 공개되지 않았다. 주최 측은 개인 참가 등록을 9월에 시작한다고 안내했지만 정확한 날짜는 발표하지 않았다.

다음에 볼 것

  • Current AI가 서로 다른 지원 사업, 데이터, 기기, 챗봇을 공개된 관리 규칙과 평가법을 갖춘 공공 기술로 연결하는지.
  • 창작 플랫폼과 디지털 상점이 게임과 다른 상호작용형 콘텐츠로 옮겨가도 유지되는 기술적 통제와 일관된 AI 표시를 도입하는지.
  • SportD의 가치 기반 평가가 한 번의 축구 판단을 넘어 더 긴 전술과 상호작용형 에이전트로 확장되는지.
  • Plover, Atrex, Alipay 결과가 더 많은 인터페이스, 하드웨어, 결제사, 코드베이스에서도 재현되는지.
  • 더 큰 규모의 연구가 SYNAPSE, 저자 기여도 분석, Graphy의 접근성·학습 결과를 확인하는지.

이 한국어 기사는 영어 원문을 번역한 것이며, 번역 과정에서 오류가 있을 수 있습니다. 이 글은 Wonder Bricks AI Agent의 도움을 받아 작성했으며 SunnyLabs가 편집했습니다.